勤勞的助手

無可否認(rèn)，AI和神經(jīng)網(wǎng)絡(luò)顯然已經(jīng)在當(dāng)代天文學(xué)和物理學(xué)研究中發(fā)揮了關(guān)鍵作用。海德堡理論研究所的物理學(xué)家Kai Polsterer領(lǐng)導(dǎo)著一個天文信息學(xué)小組，專注于以數(shù)據(jù)為中心的天體物理學(xué)新研究方法。最近，他們在使用機器學(xué)習(xí)算法從星系數(shù)據(jù)集中提取紅移信息，這在以前是很艱巨的任務(wù)。

Polsterer將這些基于AI的新系統(tǒng)看作是“勤勞的助手”——可以連續(xù)幾個小時梳理數(shù)據(jù)，而不會感到厭煩或抱怨工作條件。他說，這些系統(tǒng)可以完成所有乏味的繁重工作，讓你有時間進行有趣的科學(xué)研究。

但它們并不完美。特別是算法只能做受過訓(xùn)練的事情。系統(tǒng)對于輸入信息是“不可測的”。給它一個星系，這個軟件就可以估計它的紅移和年齡，但是給它一個自拍照片，或者一張腐爛的魚的照片，它也會輸出一個（非常錯誤的）年齡。最后，人類科學(xué)家的監(jiān)督仍然是至關(guān)重要的。于是問題最終還是回歸研究人員——你才是負(fù)責(zé)解讀機器的人。

費米實驗室的Nord警告說：神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果也會有誤差。在科學(xué)上，如果你進行一項測量，卻不報告誤差估計，結(jié)果就沒有意義。和許多AI研究者一樣，Nord也關(guān)注神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的不可穿透性。通常情況下，系統(tǒng)會給出一個答案，但并不清楚該結(jié)果是如何獲得的。然而，并非所有人都認(rèn)為這是一個問題。法國CEA Saclay理論物理研究所的研究員Lenka Zdeborová指出，人類的直覺往往同樣難以理解。你看著照片立刻認(rèn)出了一只貓——但你不知道自己是怎么知道的。從某種意義上說，人類大腦就是一個黑匣子。

不僅天體物理學(xué)家和宇宙學(xué)家正在向AI驅(qū)動、數(shù)據(jù)驅(qū)動的科學(xué)靠攏。滑鐵盧大學(xué)的量子物理學(xué)家Roger Melko也利用神經(jīng)網(wǎng)絡(luò)解決了領(lǐng)域中一些最棘手、最重要的問題，比如：如何表示描述多粒子系統(tǒng)的“波函數(shù)”。Melko稱AI是“維度的指數(shù)詛咒”，即波函數(shù)形式的可能性隨著系統(tǒng)中粒子的數(shù)量呈指數(shù)增長。困難類似于嘗試在國際象棋或圍棋中下一步最好的棋：你試著下一步棋，想象你的對手會怎么下，然后選擇最好的應(yīng)對方式，但是每走一步，可能性的數(shù)量就會激增。

當(dāng)然，AI系統(tǒng)已經(jīng)掌握了這兩種棋類游戲。20年前的國際象棋人類就輸給了計算機；2016年，AI系統(tǒng)AlphaGo擊敗了頂尖的人類圍棋手。Melko認(rèn)為這種情況同樣適用于量子物理中的問題。

機器的思維

對于AI系統(tǒng)，Schawinski認(rèn)為這是“第三類”科學(xué)研究方法，Hogg則認(rèn)為不過是傳統(tǒng)觀察分析法的高級版本，不管你支持哪種觀點，有一點是肯定的，AI正在加速改變科學(xué)發(fā)現(xiàn)的概念。AI革命在科學(xué)領(lǐng)域能走多遠(yuǎn)？

偶爾，人們會對“機器人科學(xué)家”的成就大加贊揚。十年前，一位名叫Adam的AI機器人化學(xué)家研究了面包酵母的基因組，找出了哪些基因負(fù)責(zé)制造某些氨基酸。當(dāng)時的新聞標(biāo)題是：“機器人獨自做出科學(xué)發(fā)現(xiàn)”。

最近，格拉斯哥大學(xué)化學(xué)家Lee Cronin在用機器人隨機混合化學(xué)物質(zhì)，看看會形成什么樣的新化合物。通過質(zhì)譜儀、核磁共振儀和紅外光譜儀實時監(jiān)測反應(yīng)，系統(tǒng)最終學(xué)會了預(yù)測哪種組合反應(yīng)性最強。Cronin說，即使這不會帶來進一步的發(fā)現(xiàn)，機器人系統(tǒng)也能讓化學(xué)家們將研究速度提高約90％。

去年，蘇黎世理工的另一個科學(xué)家小組使用神經(jīng)網(wǎng)絡(luò)從數(shù)據(jù)集中推導(dǎo)出物理定律。他們的系統(tǒng)是一款機器人開普勒系統(tǒng)，從太陽和火星的位置記錄中重新發(fā)現(xiàn)了太陽系的日心模型，并通過觀察碰撞球發(fā)現(xiàn)了動量守恒定律。由于物理定律通常可以用不止一種方式來表達(dá)，研究人員想知道系統(tǒng)是否可以提供新的方式（也許是更簡單的方式）來思考已知的定律。

這些都是AI啟動科學(xué)發(fā)現(xiàn)過程的例子，雖然不同案例中AI的作用影響各有不同。也許最具爭議的問題是，在數(shù)據(jù)爆炸的今天，單從數(shù)據(jù)中能收集到多少信息。計算機科學(xué)家Judea Pearl和科學(xué)作家Dana Mackenzie斷言，數(shù)據(jù)是“極其愚蠢的”。因果關(guān)系的問題永遠(yuǎn)不能單靠數(shù)據(jù)來回答。Schawinski也支持這種立場，他從未聲稱數(shù)據(jù)可以推演因果關(guān)系，而只是認(rèn)為，我們可以比以往更多地利用數(shù)據(jù)。

另一個經(jīng)常聽到的論點是，科學(xué)需要創(chuàng)造力，而且至少到目前為止，我們不知道如何將“創(chuàng)造力”編程到機器中。物理學(xué)家Kai Polsterer說：“除了理論和推理，我們還需要創(chuàng)造力——只有人類才具有這項能力�！眲�(chuàng)造力從何而來？Polsterer懷疑這與“無聊”有關(guān)，機器不會感到無聊。要想有創(chuàng)意，你必須討厭無聊的感覺。另一方面，像創(chuàng)意和靈感這樣的詞經(jīng)常被用來形容Deep Blue（戰(zhàn)勝人類象棋手的計算機）和AlphaGo這樣的智能程序。我們在試圖描述計算機思想的時候，實際上是對自己大腦的映射。

Schawinski最近離開學(xué)術(shù)界去了私營部門。他現(xiàn)在經(jīng)營著一家名為Modulos的創(chuàng)企，公司雇傭了一些ETH科學(xué)家，據(jù)其網(wǎng)站稱，公司處在AI和機器學(xué)習(xí)發(fā)展的風(fēng)口浪尖。不管當(dāng)前AI技術(shù)和成熟的人工智慧之間存在什么障礙，Schawinski和同事們都認(rèn)為機器已經(jīng)可以接替越來越多人類科學(xué)家的工作。

Schawinski說：“在可預(yù)見的未來，是否有可能利用生物硬件建造一臺機器，它可以完成人類無法獨立完成的物理、數(shù)學(xué)任務(wù)？科學(xué)的未來最終會不會因為計算機才達(dá)到人類難以企及的高度？我不知道。但這是個好問題�！�